在智能仓库中，通过自动化引导车辆和人工拣选员的混合劳动力实现动态任务分配

《ACM Transactions on Evolutionary Learning and Optimization》：Dynamic Task Allocation in Intelligent Warehouses with Hybrid Workforce of Automated Guided Vehicles and Human Pickers

AGV在仓库拣货中的应用及混合人机协作优化研究。提出基于MDP的神经近似动态规划方法，优化非myopic决策、订单分批和电池管理，提升订单处理效率3.32%-5.44%。为异构 workforce管理提供新范式。

　　

摘要

本文探讨了自动化引导车辆（AGVs）在仓库拣选作业中的集成应用，这是仓库运营中一个至关重要且成本密集型的环节。受COVID-19疫情推动，AGV行业蓬勃发展，其高效性、可靠性和成本效益使得该技术在仓库任务自动化方面得到了广泛采用。本文通过策略性运用AGVs，重点改进了拣选员与货物之间的协同流程——即工人前往货物存放位置、取货后移动到下一个处理地点。我们提出了一种新颖的MDP（马尔可夫决策过程）模型，用于协调由人类工人和AGVs组成的混合工作团队，旨在最大化订单处理量和运营效率，并采用神经近似动态规划（NeurADP）方法作为解决方案。具体而言，我们的解决方案框架包括在非短视决策、订单分批处理和电池管理方面的创新措施。数值实验结果表明，NeurADP策略的表现优于所有基准策略（无论是短视策略还是非短视策略），在订单完成率方面相比其他方案提升了3.32%至5.44%。全面的实证分析为混合仓库环境中异构劳动力的管理提供了宝贵见解，凸显了本文对仓库自动化和物流领域做出的贡献。